人類，不要指望AI什麼都能給你干，比如做頓大餐

未來所有的智能演算法，會不會都像無所不能的機器人——既能跟你插科打諢，給你在地圖上指路，又能搞定廚房家務？還是說，我們的電子助手們會更像一個工具包，裡面裝滿有各類特殊功用的小玩意——與其說是一個能聊能撩的大廚，不如說更像是一個裝滿工具的櫥櫃？

同樣是機器，麵包機只負責烤麵包一個任務 | Pixabay

一個試圖大包大攬的演算法會陷入麻煩。下面是一個人工智慧神經網路生成的食譜。這種人工智慧能夠從例子中「學習」，它掃描了大概3萬個各種類型的食譜，有湯、派和烤肉等等，然後再試著生成自己的原創食譜。結果，怎麼說，有點「新穎」。

攤雞肉飯

類型：乳酪/雞蛋，沙拉，乳酪

輔料：

2磅心，去籽

1杯碎薄荷或者樹莓派

1/2杯磨碎的卡特里瑪

1湯匙植物油

1鹽

1胡椒

2又1/2湯匙糖，糖

混合去葉，攪拌至混合物粘稠，然後加蛋、糖、蜂蜜和葛縷子籽，低溫烹飪。加入玉米糖漿，牛至，和迷迭香和白鬍椒。用奶油趁熱蓋住。烹飪，加入剩下的一茶匙烘焙粉和鹽。用350華氏度烤2-1小時。趁熱上菜。

6人份。

而如下是同一個演算法生成的食譜，但是訓練的數據不是所有的菜譜種類，而是只有蛋糕。生成的食譜並不完美，但比上一個要正常許多了：

胡蘿蔔蛋糕（維拉小姐）

類型：蛋糕，酒精

1包黃蛋糕原料

3杯麵粉

1茶匙烘焙粉

1又1/2茶匙烘焙蘇打粉

1/4茶匙鹽

1茶匙肉桂粉

1茶匙姜粉

1/2茶匙丁香粉

1茶匙烘焙粉

1/2茶匙鹽

1茶匙香草

1雞蛋，室溫

1杯糖

1茶匙香草

1杯碎胡桃

將烤箱預熱至350華氏度，9英寸脫底蛋糕模刷油烤蛋糕：高速打蛋直到粘稠變黃，在一旁靜置。在另一個碗里打雞蛋白直到打發。快速把混合物倒進準備好的烤盤裡，攪入黃油直到融化。在烤箱里烤40分鐘，或者直到往中間插入木質牙籤拔出時是乾淨的。在烤盤裡冷卻10分鐘。拿出之後在鐵絲盤上徹底冷卻。

把蛋糕徹底冷卻。趁溫吃。

HereCto食譜（1989）來自 《加拿大廚房生活》

16人份

當然，如果你仔細看步驟的話，它只給你烤了一層蛋黃（前面寫那麼多配料一樣沒加進去啊喂），但這還算是有進步了。

為什麼第二個菜譜就沒有第一個那麼離譜呢？道理很簡單，當 AI 被允許只處理一個限定範圍之內的任務，那麼需要它納入考慮的因素就少了很多。它不用試圖去搞清楚什麼時候加巧克力、什麼時候加土豆，什麼時候烤，什麼時候文火燉。

如果說第一個演算法試圖成為一個魔法箱，裡面既能煮飯，還能做冰淇淋和派，那麼第二個演算法只試圖做一個烤麵包機——只專註做一件事兒。

樣樣都想要=什麼都做不好

用機器學習進行演算法訓練的開發者已經發現，造一個烤麵包機比造魔法箱要可行許多。這可能有點反直覺，因為西方科幻作品中的人工智慧，通常會傾向於像《星球大戰》里的C-3PO，或者《瓦力》里的同名主人公一樣——這被稱作「通用人工智慧」（artificial general intelligence，AGI），這些自動裝置能夠像人類一樣與周遭世界互動，處理各類任務。

星球大戰里的C-3PO是通用人工智慧 |Sideshow Collectibles

不過，許多公司很低調地——也很成功地——使用機器學習達到了有更多限制的目標。這些演算法裡面有聊天機器人，它能夠處理一些限定話題的對話，比如回應顧客關於電話賬單的常見問題。還有的演算法能預測顧客打進電話來是要聊什麼問題，給人工接線員展示它所預測的選項。這些都是「專一人工智慧」（artificial narrow intelligence）的例子——它們只有有限的一系列功能。

相比之下，Facebook最近棄用的聊天機器人「M」，想達成的目的就很多，處理旅館預定、定戲院的票、安排鸚鵡展，等等，但卻從來沒有成功地完成這些目標 | Facebook Newsroom

為什麼有烤麵包機水平的專一智能，沒有瓦力水平的通用智能？因為，任何試圖進行一般化處理的演算法，都會在遭遇越來越多種截然不同的任務時，變得越來越糟糕。

比如，有一個演算法接受的訓練是基於一段文字說明生成一幅圖。下圖是它根據「這隻鳥是黃色的，頭部黑色，喙很短」生成的圖片，當訓練它的數據集裡面只有鳥的圖片的時候，它做得還不錯（雖然頭上長了個奇怪的角）。

但當任務變成了生成「任何東西」——從停車標誌，到船、牛和人——機器就難以應付了。下面這幅圖是它生成的「一張女孩正在吃一大片披薩的圖」。

一個能夠把一件事情干好的演算法，和一個能把很多事情都干好的演算法，二者竟然有這麼大的差距，這不符合我們的思維習慣。但我們現有的演算法和大腦比起來思維能力還非常局限，而每一種新任務都會將有限的能力攤得更薄。

想想一個烤麵包機大小的機器吧：要讓它能烤麵包，那麼可以在裡面安上幾個格子以及加熱管，這很簡單。但是這就沒給別的東西留下什麼空間。如果你想加上蒸米飯和做冰淇淋的功能，那麼你至少需要拿走一個麵包格子來騰出空間，而且它可能任何一個功能都做不好。

還是想要全能？

辦法是有的

想要讓專一智能做更多事兒，程序員們也是有竅門的。其中一個是遷移學習（transfer learning）：在訓練完演算法去做一個特定任務之後，只需要經過簡單的重新訓練，它就能做一個不同但是緊密相關的工作。

遷移學習是機器學習中的一個重要概念 | DataCamp

比如，用遷移學習去訓練圖像識別演算法。一個演算法學會了辨認動物，這意味著他們也習得了不少探測圖像邊緣和質地的技巧，這些技巧可以被應用在識別水果上。但是，如果你要重新訓練演算法來識別水果，會有另外一個現象出現：災難性忘卻（catastrophic forgetting）。這意味著它再也不記得怎麼認動物了。

圖片來源：DesignCrowd

另外一個現今演算法領域常用的竅門是「模塊化」（modularity）。與其開發一個能夠解決任何問題的演算法，未來的AI更有可能是一系列高度專業化工具的集成。

比如，有一個學會玩電子遊戲《毀滅戰士》（Doom）的人工智慧，它有好幾個分開的模塊，專門處理視覺、操作和記憶方面的任務。此外，相互連接的模塊能提供一定程度的冗餘，以防其中一個出問題；另外還能提供一個投票機制，從好幾個不同路線中選出處理某個問題的最佳方案。

圖片來源：pixabay

這可能也是檢測並解決演算法中疑難問題的方式。搞清單個演算法的決策過程通常很困難，但如果讓好幾個子演算法合作進行決策，在出問題時，我們至少可以分別查看幾個子演算法的輸出來確定問題所在。

當我們展望遙遠將來的人工智慧的時候，或許瓦力和C-3PO並不是我們應該找的那種機器人。相反，我們應該想像類似於有很多個App的智能手機，或者放滿小工具的櫥櫃。在我們準備面對一個滿是智能演算法的世界的時候，我們該為此做計劃的，不是那種能思考的、萬用的，但卻可能永遠造不出來的魔箱做計劃，而是極度專業的、烤麵包機一樣的智能。

作者：Janelle Shane

編譯：李子李子簡訊

編輯：Ent

一個AI

做人也是一樣，孩子們。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！